یک مطالعه جدید که تقریباً 27000 دانش‌آموز در چین را ردیابی کرده است، برخی از شوکه‌کننده‌ترین شواهد را در مورد هوش مصنوعی مولد در آموزش به دست آورده است: دانش‌آموزانی که از ابزارهای هوش مصنوعی استفاده می‌کنند، نمرات تکالیف خود را 18 درصد افزایش می‌دهند و تکالیف را در زمان بسیار کمتری به پایان می‌رسانند – سپس در امتحاناتی که بدون کمک هوش مصنوعی شرکت می‌کنند، 20 درصد امتیاز زیر همکلاسی‌های خود را کسب کرده‌اند. این تحقیق به رهبری دیوید استرومبرگ از دانشگاه استکهلم به همراه ویکتور لی و وو یانهوی از دانشگاه هنگ کنگ، توسط The Economist در 18 آگوست برجسته شد و به عنوان یک مقاله کاری در مورد SSRN منتشر شد. برای خوانندگانی که [اخبار فوری هوش مصنوعی] (https://aibuzzwire.news) را دنبال می کنند، این یک نقطه داده است که مربیان و والدین به راحتی آن را رد نمی کنند.

راه اندازی و شوک

محققان تصمیم گرفتند به سوالی که اکثر مدارس حدس می‌زدند پاسخ دهند: آیا هوش مصنوعی به یادگیری دانش‌آموزان کمک می‌کند یا به آنها کمک می‌کند تا به پایان برسند؟ با پیگیری ده‌ها هزار دانش‌آموز در سراسر موضوعات به مدت شش ماه، این تیم می‌تواند عملکرد تکالیف را با نتایج امتحانات بعدی برای کاربران هوش مصنوعی و غیرکاربران مقایسه کند.

یافته‌های سرفصل، همانطور که توسط The Economist خلاصه شده است: پس از شش ماه، دانش‌آموزانی که از هوش مصنوعی استفاده می‌کردند، شاهد افزایش میانگین نمره تکالیفشان در همه دروس 18 درصد بودند، در حالی که زمان صرف شده برای هر تکلیف از میانگین 64 دقیقه به 45 دقیقه کاهش یافت. اما زمانی که زمان امتحان فرا رسید، همان دانش‌آموزان 20 درصد کمتر از همکلاسی‌هایشان که هرگز از AI برای تکالیف خود استفاده نکرده بودند، کسب کردند.

یافته های عمیق تر ظریف تر و نگران کننده تر است. تحلیل اکونومیست خاطرنشان کرد: «نمرات تکالیف زمانی عملکرد امتحان را پیش‌بینی می‌کردند؛ اکنون کسانی که بالاترین امتیاز را کسب می‌کنند، به طور انحرافی، احتمال بیشتری دارد که در امتحانات بدتر عمل کنند.» به عبارت دیگر، سیگنال سنتی معلمان - نمرات تکالیف به عنوان نماینده ای برای درک - به آرامی شکسته شده است. دانش‌آموزانی که تکالیفشان بهتر به نظر می‌رسد ممکن است آن‌هایی باشند که کمترین مطالب را درک می‌کنند.

برون سپاری، نه یادگیری

چرا نمرات تکالیف افزایش یافت در حالی که نمرات امتحانات پایین آمد؟ داده‌ها به چیزی اشاره می‌کنند که محققان به عنوان برون‌سپاری توصیف می‌کنند: دانش‌آموزان به جای استفاده از آن به عنوان معلم، کار را به مدل تحویل می‌دهند. ارقام از مقاله ذکر شده در بحث عمومی نشان می دهد که حدود 81 درصد از کاربران هوش مصنوعی در این مطالعه به طور مؤثر تکالیف خود را به مدل های زبان واگذار می کردند - و نرخ برون سپاری افزایش می یابد که دانش آموزان مدت طولانی تری در معرض این ابزار قرار می گرفتند.

این الگو به تدریج ظاهر شد. در اوایل مطالعه، برخی از دانش‌آموزانی که از هوش مصنوعی استفاده می‌کردند، همچنان بیش از 65 دقیقه را در هر تکلیف صرف کردند - تقریباً مشابه زمانی که غیرکاربران بودند - و نتایج امتحانات و تکالیف آنها شبیه به همسالانی بود که از هوش مصنوعی اجتناب کردند. محققان استنباط کردند که این دانش آموزان به سختی از مدل ها استفاده می کنند. اما شش ماه پس از پذیرش، هیچ دانش‌آموزی که در معرض هوش مصنوعی قرار گرفته بود، بیش از ۶۵ دقیقه را صرف تکالیف خود نکرد. آنچه به عنوان کمک گاه به گاه شروع می شود، به نظر می رسد، تکلیف به تکلیف، به تفویض کامل می رسد.

این تشدید چیزی است که رد یافته ها را بسیار دشوار می کند. به این معنا نیست که آموزش هوش مصنوعی نمی تواند کار کند - به عنوان یک شریک سقراطی که به عنوان شریک سقراطی توضیح می دهد و امتحان می کند، استفاده از این فناوری به وضوح می تواند به افراد در یادگیری کمک کند. این است که در شرایط طبیعت گرایانه، با نوجوانان و تکالیف عقب افتاده، مسیر کمترین مقاومت مستقیم از طریق پاسخ می گذرد.

چرا چین یک مورد آزمایشی تمیز ایجاد می کند

محیط مطالعه نتایج آن را تقویت می کند. در چین، پذیرش دانشگاه از طریق آزمون‌های استاندارد شده با ریسک بالا انجام می‌شود و نمرات تکالیف درسی را آنطور که در جاهای دیگر می‌تواند افزایش می‌دهد، نتایج دوره را افزایش نمی‌دهد. امتحانات از نظر بیرونی محک می‌شوند و به طرز وحشیانه‌ای نتیجه‌ای دارند، که توضیح این فاصله 20 درصدی را با نمره‌دهی آسان یا ملایمت معلم سخت‌تر می‌کند. این مطالعه به طور مؤثر کانال مورد علاقه محققان را جدا کرد: هوش مصنوعی نحوه تولید تکالیف را تغییر داد و امتحانات آنچه را که واقعاً آموخته بود اندازه‌گیری کرد.

بحث در مورد مقاله در هکر نیوز، جایی که صدها نکته را گردآوری کرد، با این سوال بعدی روبرو شد - اینکه آیا هوش مصنوعی یک "تقویت کننده" است که باعث می شود دانش آموزان کوشا بهتر و دانش آموزان جدا شده بدتر شوند. تجزیه و تحلیل خود مقاله این چارچوب آرامش‌بخش را به عقب می‌اندازد: داده‌های استفاده از زمان نشان می‌دهد که حتی دانش‌آموزانی که با مسئولیت‌پذیری از هوش مصنوعی شروع به استفاده از هوش مصنوعی کرده‌اند، طی ماه‌ها به سمت تفویض اختیار سوق داده‌اند، که به این معنی است که خطر محدود به کسانی نیست که از ابتدا قصد یادگیری نداشتند.

معضل سیاست برای مدارس

یافته ها در لحظه ای ناخوشایند فرود می آیند. دولت‌ها و شرکت‌های edtech در حال رقابت هستند تا معلمان هوش مصنوعی را در مقابل دانش‌آموزان قرار دهند و شرط می‌بندند که کمک‌های شخصی‌شده هوش مصنوعی شکاف‌های موفقیت را از بین می‌برد. این مطالعه نشان می‌دهد که نتیجه معکوس در مقیاس ممکن است: تکالیف بدون اصطکاک می‌شوند، نمرات بهبود می‌یابند، و یادگیری اندازه‌گیری شده در زیر آن‌ها به آرامی فرسایش می‌یابد - تنها زمانی کشف می‌شود که برای اصلاح خیلی دیر شده باشد.

برای مدارس، پیامدها عینی است. اگر تکالیف دیگر نمی توانند به عنوان مدرکی برای یادگیری عمل کنند، ارزشیابی باید در کلاس و با دقت انجام شود. اگر استفاده از هوش مصنوعی اجتناب ناپذیر باشد، ممکن است تکالیف نیاز به بازطراحی حول این فناوری داشته باشند - دفاع شفاهی، جلسات مشکل در کلاس، و درجه‌بندی مبتنی بر فرآیند که به مبارزه‌ای که مطالعه نشان داد دانش‌آموزان را نادیده می‌گیرد، پاداش می‌دهد. و اگر برون سپاری با قرار گرفتن در معرض تشدید شود، تاخیر خنثی نیست: به نظر می رسد هر ماه دسترسی به هوش مصنوعی بدون ساختار این عادت را عمیق تر می کند.

سهم محققان جایگزین کردن وحشت حکایتی دوران ChatGPT در کلاس درس با اعداد طولی است و اعداد تاریک هستند. بهبود 18 درصدی تکالیف خانه که به قیمت کاهش 20 درصدی امتحان خریداری می‌شود، یک دستاورد آموزشی نیست - این انتقال کار از دانش‌آموز به ماشین است، با بهره در روز امتحان.

از هوش مصنوعی جلوتر بمانید

برای پیشرفت‌های تحقیقاتی، پیامدهای سیاست‌گذاری و تحلیل صادقانه هوش مصنوعی در آموزش، [AI Buzz Wire] (https://aibuzzwire.news) را نشانک‌گذاری کنید.

بیشتر بخوانید اخبار هوش مصنوعی →